基于优化 nnU-Net 模型的超低剂量 CT 图像深度学习分割研究：突破与应用

《La radiologia medica》：Deep learning-based segmentation of ultra-low-dose CT images using an optimized nnU-Net model

为解决超低剂量 CT（ULD-CT）图像分割难题，研究人员优化 nnU-Net 模型，性能卓越，助力精准医疗。

　　在医学成像领域，CT 检查为疾病诊断立下了汗马功劳，但它带来的辐射问题却让医患双方都忧心忡忡。尤其是低剂量 CT（LD-CT）成像，虽然在急诊、儿科、孕妇检查以及 PET/CT 和 SPECT/CT 的衰减校正等场景广泛应用，可图像质量却因辐射剂量降低大打折扣，噪声和伪影增多，就像原本清晰的照片被蒙上了一层雾，严重影响医生对病情的判断。

目前，基于深度学习（DL）的器官分割模型大多在高质量图像上训练，在处理 LD-CT 图像时往往力不从心，难以精准勾勒出器官轮廓。这种情况下，研发一款能在超低剂量 CT 图像上精准分割器官的 DL 模型迫在眉睫。

来自日内瓦大学医院等多个机构的研究人员勇挑重担，开展了一项极具意义的研究。他们的成果发表在《La radiologia medica》上，为医学成像领域带来了新的曙光。

研究人员使用了西门子 ReconCT 软件和 ADMIRE 迭代算法，将 274 个 CT 原始数据集重建为全剂量（FD-CT）和模拟低剂量（LD-CT）图像，剂量分别为原始管电流的 1%、2%、5% 和 10% 。利用已有的 FD-nnU-Net 模型在 FD-CT 图像上分割 22 个器官，得到的结果作为参考掩码，用于训练新的 LD-nnU-Net 模型。同时，训练了三个模型，分别用于骨组织（6 个器官）、软组织（15 个器官）和身体轮廓的分割。

在基准测试环节，研究人员让 FD-nnU-Net 模型在不同剂量的 CT 图像上进行器官分割，结果发现，随着辐射剂量降低，模型性能直线下滑，尤其是剂量低于 10%（5mAs）时，表现更是差强人意。比如眼球的分割，在 ULD-CT 图像上，Dice 系数小于 0.10。相比之下，公开模型 MOOSE 在模拟低剂量图像上的性能下降更为严重。

而新训练的 LD-nnU-Net 模型则表现亮眼。在五折交叉验证中，骨组织、软组织和身体轮廓分割任务的平均 Dice 分数分别达到了 0.937±0.049、0.905±0.117 和 0.984±0.023 。而且，无论重建算法（FBP 与 ADMIRE）、剂量水平（1%、2% 和 5%）和切片厚度（1mm 和 2mm）如何变化，模型的分割性能都相当稳定。

在外部评估中，研究人员选取了三个本地数据库和两个公开的低剂量 CT 数据集进行测试。结果显示，在大多数情况下，LD-nnU-Net 模型的表现都优于 FD-nnU-Net 模型。尤其是在处理肥胖患者的低剂量 CT 图像时，优势更为明显。不过，对于含有严重条纹伪影的超低剂量 CT 图像（如数据集 #3），两个模型的表现都不太理想，但 LD-nnU-Net 模型依旧更胜一筹。

综合来看，研究人员通过实验得出结论：传统的 FD-nnU-Net 模型在 LD-CT 图像上表现不佳，而专门训练的 LD-nnU-Net 模型在交叉验证和外部评估中展现出了卓越的性能，能够实现 ULD-CT 图像的精准分割。这一成果意义非凡，它为临床诊断、放射组学研究、剂量学评估等提供了可靠的工具，有助于提高医疗质量，减少患者辐射暴露风险。同时，研究人员将训练好的模型发布在 GitHub 上，方便其他科研人员进一步验证和应用，推动了整个医学成像领域的发展。

该研究主要采用了以下关键技术方法：首先，利用西门子 ReconCT 软件对原始 CT 数据集进行重建，生成不同剂量的 CT 图像；其次，运用 nnU-Net 模型进行器官分割，通过调整模型参数和训练策略，优化模型性能；最后，使用多种评估指标，如 Dice 系数、Jaccard 距离、平均表面距离和体积差异等，对模型的分割效果进行量化评估。

总的来说，这项研究成功攻克了 ULD-CT 图像分割的难题，为医学成像技术的发展注入了新动力。但研究也存在一些局限性，如训练数据量有限，且均来自西门子扫描仪，外部测试数据集缺乏参考分割掩码等。未来，期待更多研究人员在此基础上深入探索，进一步优化模型，扩大数据集，提升模型的通用性和准确性，让医学成像技术更好地服务于人类健康。